臧 晶，李成華，田 野

(1. 沈陽農業(yè)大學工程學院，沈陽 110866；2. 沈陽理工大學信息科學與工程學院，沈陽 110159；3. 沈陽理工大學機械工程學院，沈陽 110159)

0 引 言

基于實例推理(Case-based reasoning，CBR)的智能設計方法的關鍵在于修改成熟的設計實例，以完成新設計,而修改的前提是檢索得到相似實例集，因而高性能的實例檢索算法成為CBR設計領域的研究重點。

文獻[1]研究了多級實例檢索算法，提出最鄰近法計算多級實例相似度，文獻[2]提出了分類檢索方法，同樣利用最鄰近法計算實例相似度，這兩種算法具有較低的計算復雜度，但是只考慮了少數類型屬性相似度的計算問題，因此適用范圍有限；文獻[3]主要針對水庫建設領域中的特殊應用，研究了多級實例分類檢索方法，提高了檢索效率和準確性，但該算法中沒有考慮由屬性權重歸一化導致的屬性權重區(qū)分度小的問題，以及該問題對設計結果的精度影響。

目前許多成熟的實例檢索算法以用戶需求為檢索參數，以混合相似度模型為檢索依據，進行檢索。這些算法在一定范圍內已經得到了有效檢驗及應用。文獻[4]提出了一種面向五種不同數據格式的混合相似度檢索模型，該模型考慮了多種數據格式的相似計算方法，適應領域廣泛，但是該算法未考慮在相似計算之前降低數據格式的復雜性，因此算法復雜度高；文獻[5]提出了基于混合相似度模型的變壓器設計案例檢索算法，準確性較高，但未研究需求在設計過程中反復變化的問題。

上述研究中，大多未考慮需求處理的復雜度問題，以及該問題對設計結果的后續(xù)影響。而隨著衛(wèi)星技術[6-8]和現代農業(yè)的發(fā)展，衛(wèi)星遙感和陸地傳感器技術可以實測農作物的生長指標、生長環(huán)境等參數，這些參數可以在時間、空間上補充傳統(tǒng)需求調查方式的不足，一定程度上解決了需求處理復雜的問題，為實現農業(yè)全領域信息化、智慧化提供技術支撐[9-11]。因此，本文將衛(wèi)星遙感技術應用到鏟式播種機需求采集過程，設計了一個衛(wèi)星遙感農業(yè)監(jiān)測系統(tǒng)。在該系統(tǒng)中，采用遙感實測需求參數優(yōu)化播種機設計需求問題，同時也優(yōu)化了混合相似度算法，降低了計算復雜度，并將優(yōu)化后的混合相似度算法運用到鏟式播種機多級實例檢索過程，在提高檢索準確度的同時，保證了新設計的可修改性，提高了設計過程的智能性。

1 衛(wèi)星遙感農業(yè)監(jiān)測系統(tǒng)的核心結構設計

本文結合衛(wèi)星傳感器網絡、移動網絡與遠程數據庫技術，設計和建立了一個衛(wèi)星遙感農業(yè)監(jiān)測系統(tǒng)，該系統(tǒng)能夠利用作物生長狀況、土壤條件等參數的遙感監(jiān)測結果優(yōu)化農業(yè)機械的智能設計，其核心部分是基于遙感監(jiān)測參數控制的農機智能設計平臺，其結構如圖1所示。

圖1 遙感監(jiān)測系統(tǒng)的農機智能設計平臺Fig.1 Intelligent design platform for agricultural machineryin remote sensing monitoring system

圖1中，PC1為管理者終端，PC2為用戶及專家終端，PC3為研發(fā)者終端；Web服務器處理遠程的用戶和設計者之間的數據交互；采集數據庫負責存儲經網絡和協調器節(jié)點發(fā)送的、由陸空傳感器節(jié)點采集的各種參數；設計服務器負責處理農機智能設計過程中遠程專家和設計者的交互，提供設計的知識與規(guī)則，設計過程中涉及到的領域知識和可拓規(guī)則等被存儲到知識數據庫中；存儲服務器負責處理歷史實例的存儲和相似實例集的檢索、檢索實例的修改、新設計的虛擬測試等服務環(huán)節(jié)，這些環(huán)節(jié)中相應的數據被存儲到實例數據庫。

該系統(tǒng)的優(yōu)勢在于，通過利用衛(wèi)星技術和傳感器技術，能夠在更大范圍內快速、準確地獲取設計需求，還可以使不同地域的專家和研發(fā)人員進行遠程交互，滿足了不同農業(yè)環(huán)境下農機研發(fā)者技術交流的需要，同時也能為異域環(huán)境變化對播種機設計的影響提供技術支持，進行快速設計。

2 基于混合相似度的實例檢索模型設計

在衛(wèi)星遙感農業(yè)監(jiān)測系統(tǒng)中，實例檢索算法是基于實例推理設計的關鍵技術之一[12]，即以采集處理后的設計需求為檢索條件獲得實例庫中的相似產品實例集合。本文提出了一種改進的分類檢索和混合相似檢索融合的檢索模型，該模型在建立播種機多級實例數據庫的基礎上，實現方案實例的分類檢索與模塊實例的多級混合相似度檢索，如圖2所示。

圖2 基于可拓CBR的播種機實例檢索模型Fig.2 Planter case retrieval model based on extensional CBR

1)對融合監(jiān)控參數的新需求問題進行可拓分解。

2)以新需求的主題特征向量為依據，采用分類檢索方法確定新設計問題的歸屬方案類別。

3)基于分解后的新需求問題進行多層級模塊的問題特征匹配。

4)利用混合相似度方法計算新設計問題與歷史實例各特征的相似度、各級模塊相似度。

5)基于相似度閾值檢索得到和目標實例相似的各子級實例集(多級檢索)。

在本模型中，最主要的部分是多級實例庫的設計、多級實例集的相似檢索、以及檢索過程中混合相似度算法的設計，這也是目前研究的重點。

2.1 多級實例庫的結構設計

基于鏟式播種機產品的設計過程，依據可拓分解變換原理和獨立性原理，本文將播種機歷史實例分解為方案物元實例、模塊物元實例、零件物元實例三種類型，相應的播種機設計實例庫結構為多層次結構，匹配已有設計實例的層次性。

以分解得到的播種機多級實例庫為例，定義第r個子級實例庫的實例集合為

(1)

(2)

定義Z0為新問題實例

Z0={x01,x02,…,x0i,…,x0m,y01,y02,…,y0j,…,y0n}

(3)

式中：Z0的問題特征向量為Vp(1)。

2.2 方案實例分類檢索過程

在多級實例庫中，基于隸屬度函數進行方案實例的分類檢索，其實質是設計問題屬性和第k類方案實例屬性的匹配?；谧涌臻g法的基本思想，定義方案級實例向量空間的隸屬度函數F為

(4)

設播種機有M類方案實例集，利用分類隸屬度函數確定新需求問題的歸屬類(假定為第K類)的過程為

1)根據新需求問題構建其主題特征Mp(1)和特征向量Vp(1)。

2)合并各實例的相同特征或相近特征，優(yōu)化方案級實例主題特征集Mp(1)和特征向量Vp(1)。

3)利用隸屬度函數F計算新設計問題特征向量與不同類方案實例特征向量的隸屬度κ，在方案實例庫中檢索出新設計問題的方案類別實例。

2.3 多級實例集的相似檢索

在確定新設計的方案類別基礎上，依次檢索多級實例庫中滿足新需求問題的相似模塊實例集，相似零部件實例等，直至確定滿足新設計的結構特征參數。文中設計了多層子級實例相似檢索的過程，分為兩個階段：設計問題的多級模塊實例匹配階段和多級實例相似檢索階段。如圖3所示。

圖3 多級實例的相似檢索過程Fig.3 Similarity retrieval procedure of multi-level cases

(5)

K個模塊實例的問題特征集合構成第r級實例庫的全體特征集，表示為

(6)

K個模塊實例的問題特征值集合構成第r級實例庫的全體特征值集，表示為

(7)

第r級新設計實例的問題特征集表示為

(8)

第r級新設計實例的問題特征值集合表示為

(9)

匹配過程為

(1)對于滿足匹配要求的第r級子實例，將其作為其父級實例(第r-1級實例)的一個屬性。找到匹配的第r級子級實例庫中1個或多個子實例，作為第r+1子級實例的父級實例。

(2)將找到的全部匹配子級實例(r級)，合并為其父級實例(第r-1級實例)的屬性，完成該層級模塊的匹配。

(3)判斷第r+1級子實例是否為特征級實例，若不是則繼續(xù)進行第r+1級子實例與設計目標(新需求)問題的匹配過程，若是特征級實例則結束匹配。繼而通過按相似度檢索得到與新需求最貼近的各級實例(集)。

2)進行多級實例相似檢索，其步驟為:

(1)利用混合相似度公式計算問題實例(新需求問題組成)與已有實例單個特征間的相似度。

(2)計算各子級實例綜合相似度，根據相似度數值的大小，選擇滿足相似度閾值要求的各級歷史子實例集。

(3)各級歷史子實例按層級關系組合，確定滿足相似度的多級實例。

播種機實例之間的相似程度由其所包含的播種機實例要素之間的相似程度決定，因此，本文分別研究播種機實例參數的結構距離特征、可拓特征(包括形態(tài)、距離)的相似性計算方法，并通過賦予各個因素合適的權重系數，最終獲得播種機實例混合相似性計算方法。

3 多算法融合的混合相似性計算方法設計

實例間相似性計算是實現歷史實例修改變異的基礎，其本質是識別新設計實例與歷史實例數據之間的差異性和相似性。文中提出了一種多算法融合的混合相似性計算方法，該方法在多級實例空間中將三種相似度計算方法按不同權重進行多級融合，以提高全局相似度計算結果的準確性，弱化其局限性。

以播種機二級實例庫為例，定義多算法融合的相似性計算過程如下：

1)計算底層實例庫中各子實例的單特征相似性，并同時對屬性賦予相應的權重。

設λ(pki,x0i)表示第i個問題特征pki和目標實例問題特征x0i之間的特征相似度，則λ(pki,x0i)可被定義為

λ(pki,p0i)=exp(-|d(pki,p0i)|)

(10)

式中：i表示問題特征的序號(i=1,2,…，m)，m是每個實例問題特征的數量；d(pki,x0i)表示第i個特征pki和目標實例問題特征x0i之間的特征差異度，其計算方法為：

(1)當特征pki和目標實例問題特征x0i的值均為確定數時，即有pki=ai1，x0i=bi1，則采用基于距離模型的思想[13]計算特征之間的差異度d(pki,x0i)

d(pki,x0i)=|ai1-bi1|/Δmax

(11)

式中：Δmax=max{d(pki,x0i)，i=1,2,…，m}。

(2)當特征pki和目標實例問題特征x0i的值均為區(qū)間數時，即有pki∈[ai1,ai2]，x0i∈[bi1,bi2]，則采用基于區(qū)間-區(qū)間可拓距思想[14]計算特征之間的差異度d(pki,x0i):

d(pki,x0i)=

(12)

式中：Δmax=max{d(pki,x0i)，i=1,2,…，m}。

(3)當特征pki為確定數，目標實例問題特征x0i的值為區(qū)間數時，即有pki=ai1，x0i∈[bi1,bi2]，則采用基于點-區(qū)間可拓距思想[14]計算特征之間的差異度d(pki,x0i)

(13)

式中：Δmax=max{d(pki,x0i)，i=1,2,…，m}。

本方法針對實例特征屬性值類型多樣性的特點，對分屬于不同類型值的特征采用不同的公式計算，提高了計算結果的準確性。

2)對該子級實例的所有屬性，進行統(tǒng)計求和，得到該子級實例與目標實例的相似性結果為

(14)

3)計算多級實例庫中第k個子級實例物元的特征向量為(pk1,pk2,…,pki,…,pkm)，其所匹配的目標實例物元特征向量為(p01,p02,…,p0i,…,p0m)，則第k個子級歷史實例與目標實例的相似計算轉化為物元特征值序列的關聯度，為

(15)

式中：λgre(pki,p0i)為物元特征間的關聯系數，即

λgre(pki,p0i)=

(16)

式中:β為分辨系數，在本方法中取值為0.5。當實例特征pki或p0i的值屬于區(qū)間值，在計算關聯度過程中，先取區(qū)間上限作為物元特征pki或p0i值，利用式(15)計算關聯系數ξ1，再取區(qū)間下限作為物元特征pki或p0i值，利用式(15)計算關聯系數ξ2，之后計算物元特征間的灰色關聯系數為

λgre(pki,p0i)=(ξ1+ξ2)/2

(17)

(18)

其中,wdis，wgre為權重，在本方法中取值為0.5。

5)計算目標實例與第r級子級實例的混合相似度S為

(19)

與單一的相似度計算方法相比[15]，本文設計的混合相似度算法不僅兼顧歷史實例與新設計實例的不同格式，而且考慮了同一實例中多種數據格式的多相似度方法的融合，能夠適應多樣化需求情況下的新農機設計。

4 實例檢索算法的應用分析

考慮以下類型的鏟式播種機：玉米1型(沈9729)播種機，玉米2型(鐵單12)播種機，玉米3型(丹2109)播種機，根據文獻[16]中的試驗結果可知這三類播種機的主題特征為：沈9729種子重播率低，漏播率低，種距變異系數?。昏F單12重播率高，漏播率高，種距變異系數大；丹2109種子重播率一般，漏播率一般，種距變異系數不大[16]。構建上述三種類別的鏟式播種機多級實例庫，即方案級實例庫、各模塊級實例庫和零件特征級實例庫，在實例庫中進行分類實例檢索，過程如下：

1)合并鏟式播種機方案級實例的相同屬性，獲得主題特征集為{重播率低，漏播率低，種距變異系數小，重播率一般，漏播率一般，種距變異(土壤黏度)系數不大，重播率高，漏播率高，種距變異系數大}，并用多維特征向量表示為Vq(1)=(1,1,1,1,1,1,1,1,1)，1表示方案級實例屬性的存在性。

2)對于模糊語言描述的新需求，確定新需求問題主題特征元(特征名特征值)集P(1)，P(1)={(重播率低)，(漏播率低)，(種距變異系數不大)}。

3)若已定義實例類存在新需求對應的主題特征，則新需求的方案級屬性特征值為1。以種子類型為分類依據，并根據各特征元與方案級實例類關鍵屬性集的映射，確定新問題特征值向量Vp(1)=(1,1,0,0,0,1,0,0,0)。

4)利用式(4)，計算新設計問題特征向量Vp(1)與方案級實例主題特征向量空間的隸屬度κ，確定新問題實例的類別隸屬度κ=(0.333,0.333,1)，并在所有方案級實例中利用新問題隸屬度確定新設計問題的類別歸屬。設閾值為0.76，可得新問題歸屬于玉米3型播種機。

5) 確定與新設計需求問題匹配的各級模塊實例集，依據玉米3型播種機方案實例確定其二級模塊包括排種器模塊、成穴器模塊、行走模塊以及驅動模塊?；谏鲜龆壞K物元，確定二級模塊的特征集合為{分種，排種，成穴，能量轉化，驅動行走}；采用可拓分解方法確定新需求分解得到的結果，二級新問題特征集P2={分種，排種，成穴，行走}。在此基礎上，利用式(5)～(9)，將二級新問題特征集與二級模塊特征集進行匹配，新設計問題被完全匹配，從而得到與新需求問題匹配的排種器模塊實例集、成穴器模塊實例集、轉軸零件實例集。重復上述過程可依次確定與新設計問題相對應的其余各級模塊實例集以及零件級實例集。以成穴器模塊為例，重復上述過程得到與新需求問題匹配的打穴鏟、輪盤、轉軸、鏟輪、螺栓模塊實例集。成穴器模塊實例是上述模塊實例的父級實例。

6) 以成穴器實例集為例，檢驗基于混合相似度的多級實例檢索過程?；谀繕藢嵗男滦枨髥栴}及其相對應的各層級實例集，利用混合相似度模型首先計算各特征間相似度，再計算零件綜合相似度和成穴器模塊相似度，最終確定和目標問題實例相似的子級歷史實例集。

選擇成穴器模塊以及鏟輪、轉軸、螺栓三個零部件實例的9個特征屬性信息分別為：A1輪盤直徑(mm)，A2鏟輪孔數，A3打穴鏟高度(mm)，A4打穴鏟厚度(mm)，A5打穴鏟寬度(mm)，A6轉軸外徑(mm)，A7孔內徑(mm)，A8螺栓厚度(mm)，A9螺栓外徑(mm)，在本案例的計算分析中各參數設置如表1所示。在實際應用中，為了提高計算準確率，鏟輪特征參數一般是通過對衛(wèi)星遙感監(jiān)測獲得的行距需求數據進行可拓增刪變換后得到。選取7個實例用于計算。

目標實例中新需求問題與鏟輪、轉軸、螺栓三個子實例的相似度計算結果由相似度矩陣M31，M32，M33表示，計算過程如下：

(1)對于實例1，3，4，6，7，屬性A1，A2，A3，A4，A5取值為確定值，新需求p0i是一個區(qū)間數，所以采用點-區(qū)間可拓距公式計算相似度，計算結果為矩陣M31的第1、3、4、6、7列。

(2)對于實例2，屬性A1，A2，A5取值為確定值，新需求p0i取值為區(qū)間數，采用點-區(qū)間可拓距公式計算相似度；A3，A4取值為區(qū)間數，采用區(qū)間-區(qū)間可拓距公式計算相似度，計算結果為矩陣M31的第2列。

表1 成穴器二級實例及其子實例的特征屬性Table 1 Attributes of the 2nd case of soil-opener and its sub-cases

(3)對于實例5，屬性A1，A2取值為確定值，新需求p0i取值為區(qū)間數，采用點-區(qū)間可拓距公式計算相似度；A3，A4，A5取值為區(qū)間數，采用區(qū)間-區(qū)間可拓距公式計算相似度，計算結果為矩陣M31的第5列。

(4)對于全部實例，轉軸、螺栓的所有特征屬性為確定值，均采用距離模型計算相似度，計算結果分別為矩陣M32，M33。

三級子實例的屬性權重分別設置為：

w31=(0.251,0.275,0.273,0.100,0.101)，w32=(0.533,0.467)，w33=(0.367,0.633)。

λ31=(0.9411,0.5450,0.5962,0.8527,0.5759,0.7570,0.8090)，

λ32=(0.8852,0,7129,0.7067,0.9181,0.5173,0.5173,0.7785)，

λ33=(1.0000,0.7290,0.7495,1.0000,0.7955,0.6600,0.7290)。

鏟輪、轉軸、螺栓的實例權重由經驗給出為w3=(0.5,0.4,0.1)，基于鏟輪、轉軸、螺栓的三級子實例的相似度，依據式(19)計算成穴鏟二級實例和目標實例的綜合相似度為

S=(0.9246,0.6306,0.6557,0.8936,0.5744,0.6514,0.7888)

由計算結果可以看出，產品實例的相似度由大到小排序為實例1，實例4，實例7，實例3，實例6，實例2，實例5，其中實例1，實例4相似矩陣的準確性最高，設計人員可以參考實例1和實例4的參數結構進行新播種機的設計。由此可知，在實例的特征值數據類型多樣化的情況下，本方法能夠有效地檢索出相似度高、參數變化協調的歷史實例，有利于實例修改、完成新設計，提高了檢索結果的可用性。

5 結 論

本文設計了衛(wèi)星遙感農業(yè)監(jiān)測系統(tǒng)，在該系統(tǒng)中采用衛(wèi)星遙感等技術動態(tài)準確地監(jiān)測土壤、農作物生長過程中的一些參數，以調整設計需求，并重點研究了多樣化需求控制下的實例檢索模型，并將算法運用到鏟式播種機設計過程中。本文檢索模型的核心是融合分類檢索和多級混合相似度計算方法，實現播種機多級實例集檢索，其優(yōu)勢如下：

1)利用隸屬度分類檢索方法確定新問題的歸屬類，在類內檢索相似實例，提高了檢索的效率和檢索結果的可用性。

2)采用基于不同型特征及特征值的多種相似計算方法，實現了多種單一相似計算方法的優(yōu)化組合；建立多級實例檢索的過程，實現了基于混合相似度計算的多級檢索，提高檢索結果的可用性。

3)對于歷史實例的屬性值與目標實例的屬性值在數據類型上存在較大差異的情況，本方法同樣能夠有效地區(qū)分播種機實例之間的相似程度，為進一步研究如何將形態(tài)相似性和幾何相似性的計算方法融合至結構相似性提供研究基礎。